基于深度神经网络的语音分离：以低延迟应用为目标优化可懂度客观估计器
声音
2018-07-19 v1 音频与语音处理
摘要
均方误差(MSE)在当前基于深度神经网络(DNN)的语音分离技术中一直是首选的损失函数。本文中，我们提出一种新的代价函数，旨在优化扩展短时客观可懂度(ESTOI)度量。我们关注算法延迟低（≤ 10 ms）重要的应用。我们使用长短期记忆网络(LSTM)，并在扩展的丹麦噪声下听觉(HINT)数据集的四组双说话人混合语音上评估所提方法。我们表明，与MSE优化的基线相比，所提损失函数能带来改进或相当的客观可懂度（就ESTOI而言），同时导致较低的客观分离性能（就源失真比(SDR)而言）。我们随后提出一种方法，其中网络首先用针对MSE准则优化的权重初始化，然后用所提ESTOI损失准则训练。该方法在保持客观可懂度增益的同时，缓解了客观分离性能的一些损失。
引用
@article{arxiv.1807.06899,
title = {Deep neural network based speech separation optimizing an objective estimator of intelligibility for low latency applications},
author = {Gaurav Naithani and Joonas Nikunen and Lars Bramsløw and Tuomas Virtanen},
journal= {arXiv preprint arXiv:1807.06899},
year = {2018}
}
备注
To appear at International Workshop on Acoustic Signal Enhancement (IWAENC) 2018